Latent 3D Brain MRI Counterfactual

要約

構造的脳 MRI 研究のサンプル数は、深層学習モデルを適切にトレーニングするには少なすぎることがよくあります。
生成モデルは、データ分布を効果的に学習し、忠実度の高い MRI を生成することで、この問題に対処するのに有望です。
ただし、トレーニング データによって定義された分布の外で、多様で高品質のデータを生成するのは困難です。
この問題に対処する 1 つの方法は、3D ボリュームの反事実用に開発された因果モデルを使用することです。
しかし、高次元空間における因果関係を正確にモデル化することは困難であるため、これらのモデルは一般に低品質の 3D 脳 MRIS を生成します。
これらの課題に対処するために、潜在空間内に構造因果モデル (SCM) を構築する 2 段階の方法を提案します。
最初の段階では、VQ-VAE を使用して MRI ボリュームのコンパクトな埋め込みを学習します。
続いて、因果モデルをこの潜在空間に統合し、閉じた形式の一般化線形モデル (GLM) を使用して 3 ステップの反事実手順を実行します。
現実世界の高解像度 MRI データ (1mm) に対して行われた実験は、私たちの方法が高品質の 3D MRI 反事実を生成できることを実証しました。

要約(オリジナル)

The number of samples in structural brain MRI studies is often too small to properly train deep learning models. Generative models show promise in addressing this issue by effectively learning the data distribution and generating high-fidelity MRI. However, they struggle to produce diverse, high-quality data outside the distribution defined by the training data. One way to address the issue is using causal models developed for 3D volume counterfactuals. However, accurately modeling causality in high-dimensional spaces is a challenge so that these models generally generate 3D brain MRIS of lower quality. To address these challenges, we propose a two-stage method that constructs a Structural Causal Model (SCM) within the latent space. In the first stage, we employ a VQ-VAE to learn a compact embedding of the MRI volume. Subsequently, we integrate our causal model into this latent space and execute a three-step counterfactual procedure using a closed-form Generalized Linear Model (GLM). Our experiments conducted on real-world high-resolution MRI data (1mm) demonstrate that our method can generate high-quality 3D MRI counterfactuals.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google